随着时代的进步，信息技术的飞速发展，竞争的日益加剧，企业对物流成本的控制已经成为几乎所有公司经营中所要考虑的重要问题，特别是对一些物流企业和大型跨国公司来说，如何有效的选择物流配送中心的地址，如何合理的调度车辆安排运输路线，是节约成本，实现经济效益的重中之重。　　 本文就是在这样的背景下，研究了有关物流配送中心选址及如何有效调度车辆的问题。关于配送中心选址问题，一般情况下分为两种，一种是单点选址，一种是多点选址，对于后者国内外的专家学者研究的比较多，而本文则主要研究前者。　　 文章对传统的重心法进行了改进，除了考虑运输成本项外，还加入了建造成本项，即构造了要求运输费用和折旧费用总和最小的优化模型，这样的建立使得模型更贴近实际情况。关于此模型，文中运用了迭代法对其求解，同时得到配送中心位置及相应的运输成本。　　 在得到配送中心的位置后，由于客户点较多，所以文章采用了先聚类再路线设计的方法对运输问题进行解决，这样方便车辆调度和路线设计。本文运用了自己新研究的单位距离运输量聚类算法对客户点进行了聚类，并在聚类后对运输路线进行了设计，依据每个类中车辆的多少，有针对性地采用遗传算法，以提高问题解决的准确性和时效性。同时，这样做的目的在于提高运输效率，降低运输成本，实现对车辆的有效调度，避免使用传统的放射线状路线运输货物，便于解决运输任务无法由一辆车一次性完成的车辆调度问题。　　 文中采用了聚类分析法，利用车辆的最大载重量作为限制因素，结合各个客户的需求量以及它们之间的相对距离，设计了单位距离运输量的聚类算法，对客户点进行了分类，这种方法在车辆的调度上能根据交通状况，适时调整调度策略，减少车辆派遣次数的同时，能有效降低由于交通因素导致的惩罚成本，在降低平均成本方面相对其他聚类算法更有效，特别是对小型车辆即单位距离运输成本较低的车辆使用效率更高。　　 本文的主要创新在于，对选址模型进行了改进，加入了建设成本，使其更符合实际情况，同时考虑了不同运输车辆的最大载重和客户需求量之间的矛盾，设计了单位距离运输量聚类算法，采用这种算法对客户点进行聚类，不但考虑了距离、需求量以及它们二者之间的关系，而且还具有一定的方向性，最后再结合遗传算法，对每个类中的客户点进行运输路线设计，经算例检验，这种混合算法比其他聚类遗传算法计算结果更有效。